De professionelle, der forudser fremtiden til livets ophold

Inez Fung

Professor i atmosfærisk videnskab, University of California, Berkeley

Leah Fasten

Forudsigelse for 2030: Vi lyser verden op ... sikkert

Denne historie var en del af vores marts 2020-udgave

• Se resten af ​​problemet
• Abonner

Jeg har talt med folk, der ønsker information om klimamodeller, men de er ikke rigtig sikre på, hvad de beder mig om. Så jeg siger til dem: Antag, at jeg fortæller jer, at en eller anden begivenhed vil ske med en sandsynlighed på 60 % i 2030. Vil det være godt nok for jer, eller vil du have brug for 70 %? Eller har du brug for 90%? Hvilket informationsniveau vil du have ud af klimamodelfremskrivninger for at være nyttige?

Jeg sluttede mig til Jim Hansens gruppe i 1979, og jeg var der for alle de tidlige klimafremskrivninger. Og som vi tænkte på det dengang, er de ting der stadig helt. Det, vi har gjort siden da, er at tilføje rigdom og højere opløsning, men projektionerne er virkelig baseret på den samme slags data, fysik og observationer.

Alligevel er der ting, vi mangler. Vi har stadig ikke en rigtig teori om nedbør, for eksempel. Men der sker to spændende ting der. Den ene er tilgængeligheden af ​​satellitobservationer: at se på skyen er stadig ikke helt udnyttet. Den anden er, at der tidligere ikke var nogen måde at få regionale nedbørsmønstre gennem historien - og nu er der. Forskere fandt disse huler i Kina og andre steder, og de går ind og leder efter et fint lille kammer med stalagmitter, og så hakker de dem op og sender dem tilbage til laboratoriet, hvor de laver fantastisk uran-thorium-datering og måler iltisotoper i calciumcarbonat. Derfra kan de fortolke en registrering af historisk nedbør. Dataene er utrolige: Vi har over en halv million års nedbørsrekorder over hele Asien.

Jeg kan ikke se, at vi reducerer fossile brændstoffer inden 2030. Jeg ser ikke, at vi reducerer CO2 eller atmosfærisk metan. Omkring 1,2 milliarder mennesker i verden har lige nu ingen adgang til elektricitet, så jeg ser frem til, at væksten i alternativ energi går til dele af verden, der ikke har elektricitet. Det er vigtigt, fordi det er uddannelse, sundhed, alt forbundet med en vestlig levestandard. Det er der, jeg sætter mit håb.

Dvora fotografi

Anne Lise Kjaer

Futurist, Kjaer Global, London

Forudsigelse for 2030: Voksne vil lære at forstå nye ideer

Som barn ville jeg blive arkæolog, og det blev jeg på en måde. Arkæologer finder artefakter fra fortiden og forsøger at forbinde prikkerne og fortælle en historie om, hvordan fortiden kunne have været. Vi gør det samme som fremtidsforskere; vi bruger artefakter fra nutiden og forsøger at forbinde prikkerne til interessante fortællinger i fremtiden.

Når det kommer til fremtiden, har du to valg. Du kan læne dig tilbage og tænke, at det ikke sker for mig, og bygge en stor mur for at holde alle de dårlige nyheder ude. Eller du kan bygge vindmøller og udnytte forandringens vinde.

Mange virksomheder kommer til os og tror, ​​de vil høre om fremtiden, men egentlig er det bare en øvelse for dem – lad os bare sætte kryds i det felt, lave en rapport og lægge den på vores bogreol.

Så vi har en lille test til dem. Vi laver interviews, vi stiller dem spørgsmål; så bruger vi en model kaldet et trendatlas, der både tager højde for de videnskabelige dimensioner af samfundet og de sociale. Vi ser på tendenserne inden for politik, økonomi, samfundsmæssige drivkræfter, teknologi, miljø, lovgivning – hvordan passer det sammen med det, vi ved i øjeblikket? Vi ser måske 10, 20 år tilbage: kan vi se lidt af en tendens og prøve at sætte det ind i fremtiden?

Hvad er det næste? Det er klart, at vi med teknologi kan uddanne meget bedre, end vi kunne tidligere. Men det er en kæmpe mulighed for at uddanne forældrene til den næste generation, ikke kun børnene. Børn lærer om bæredygtighedsmål, men hvad med de mennesker, der faktisk styrer vores verden?

Høflighed Foto

Philip Tetlock

Medforfatter til Superforecasting og professor, University of Pennsylvania

Forudsigelse for 2030: Vi bliver bedre til at være usikre

På Good Judgment Project forsøger vi at spore nøjagtigheden af ​​kommentatorer og eksperter på domæner, hvor det normalt anses for umuligt at spore nøjagtighed. Du tager en stor debat og deler den op i en række testbare kortsigtede indikatorer. Så du kunne tage en debat om, hvorvidt stærke former for kunstig intelligens vil forårsage store dislokationer på funktionærarbejdsmarkederne i 2035, 2040, 2050. Der foregår allerede en masse diskussion på det abstraktionsniveau — men fra vores synspunkt er det mere nyttigt at nedbryde det og sige: Hvis vi var på en langsigtet bane mod et resultat som dette, hvilken slags ting ville vi så forvente at observere på kort sigt? Så vi startede det her i 2015, og i 2016 besejrede AlphaGo folk i Go. Men så skete der ikke andre ting: førerløse Ubers hentede ikke folk til billetpriser i nogen større amerikansk by i slutningen af ​​2017. Watson besejrede ikke verdens bedste onkologer i en medicinsk diagnoseturnering. Så jeg tror ikke, vi er på et hurtigt spor mod singulariteten, sagt det sådan.

Forudsigelser har potentialet til enten at være selvopfyldende eller selvnegerende — Y2K var uden tvivl en selvnægtende prognose. Men det er muligt at bygge det ind i en prognoseturnering ved at stille betingede prognosespørgsmål: dvs. hvor sandsynligt er X betinget af, at vi gør dette eller gør det?

Det, jeg har set over de sidste 10 år, og det er en tendens, som jeg forventer vil fortsætte, er en stigende åbenhed over for kvantificering af usikkerhed. Jeg tror, ​​der er en modvillig, standsende, men kumulativ bevægelse i retning af at tænke på usikkerhed og mere detaljerede og nuancerede måder, der tillader at holde score.

Ryan Young

Keith Chen

Lektor i økonomi, UCLA

Forudsigelse for 2030: Vi bliver mere – og mindre – private

Da jeg arbejdede på Ubers surge pricing-algoritme, var problemet, det var bygget til at løse, meget groft: Vi forsøgte at overbevise chaufførerne om at bruge ekstra tid, når de var mest nødvendige. Der var forudsigelige tidspunkter – som nytår – hvor vi vidste, at vi ville få brug for mange mennesker. Det dybere problem var, at dette var et system med stort set ingen kontrol. Det er som at forsøge at forudsige vejret. Ja, mængden af ​​vejrdata, som vi indsamler i dag – temperatur, vindhastighed, barometertryk, luftfugtighedsdata – er 10.000 gange større end hvad vi indsamlede for 20 år siden. Men vi kan stadig ikke forudsige vejret 10.000 gange længere ude, end vi kunne dengang. Og sociale bevægelser - selv i en meget specifik indstilling, såsom hvor ryttere vil hen på et givet tidspunkt - er, om noget, endnu mere kaotisk end vejrsystemer.

I disse dage er det, jeg laver, lidt mere som retsmedicinsk økonomi. Vi ser for at se, hvad vi kan finde og forudsige ud fra folks bevægelsesmønstre. Vi bruger bare simple mobiltelefondata som geolokalisering, men selv bare ud fra bevægelsesmønstre kan vi udlede fremtrædende information og opbygge en psykologisk dimension af dig. Det, der skræmmer mig, er, at jeg føler, at jeg har meget dårligere data, end Facebook har. Så hvad er de i stand til at forstå med deres meget bedre information?

Jeg tror, ​​at det næste store sociale vendepunkt er, at folk faktisk begynder at bekymre sig om deres privatliv. Det vil være som at ryge på en restaurant: det vil hurtigt gå fra at forårsage forargelse, når folk vil stoppe det, til pludselig at forårsage forargelse, hvis nogen gør det. Men samtidig vil næsten alle kinesiske statsborgere i 2030 være fuldstændig genotypede. Jeg ved ikke helt, hvordan jeg skal forene de to.

Sarah Deragon

Annalee Newitz

Science fiction og nonfiction forfatter, San Francisco

Forudsigelse for 2030: Vi kommer til at se meget mere ydmyg teknologi

Hver æra har sine egne ideer om fremtiden. Gå tilbage til 1950'erne, og du vil se, at folk fantaserede om flyvende biler. Nu forestiller vi os cykler og grønne byer, hvor biler er begrænsede, eller hvor biler er autonome. Vi har virkelig forskellige prioriteter nu, så det virker ind i vores forståelse af fremtiden.

Science fiction-forfattere kan faktisk ikke komme med forudsigelser. Jeg tænker på science fiction som engageret i spørgsmål, der rejses i nuet. Men hvad vi kan gøre, selvom vi ikke kan sige, hvad der helt sikkert kommer til at ske, er at tilbyde en række scenarier baseret på historien.

Der er mange myter om fremtiden, som folk tror vil gå i opfyldelse lige nu. Jeg tror, ​​at mange mennesker - ikke kun science fiction-forfattere, men folk, der arbejder med maskinlæring - tror, ​​at vi relativt snart vil have en menneskelignende hjerne kørende på en form for computersubstrat. Dette er lige så meget en afspejling af vores tid, som det er, hvad der rent faktisk kan ske.

Det virker usandsynligt, at en menneskelig-ækvivalent hjerne i en computer er lige rundt om hjørnet. Men vi lever i en æra, hvor mange af os føler, at vi allerede lever inde i computere, til arbejde og alt muligt andet. Så selvfølgelig har vi fantasier om at digitalisere vores hjerner og sætte vores bevidsthed ind i en maskine eller en robot.

Jeg siger ikke, at de ting aldrig kunne ske. Men de virker meget tættere forbundet med vores fantasier i nuet, end de gør til et reelt teknisk gennembrud i horisonten.

Vi bliver nødt til at udvikle meget bedre teknologier omkring katastrofehjælp og nødberedskab, fordi vi vil se mange flere oversvømmelser, brande, storme. Så jeg tror, ​​der vil være meget mere arbejde med virkelig ydmyge teknologier, der giver dig mulighed for at fjerne dit samfund fra nettet eller rense dit eget vand. Og jeg mener ikke på en uhyggelig survivalistisk måde; Jeg mener bare på en sådan måde-vi-lever-nu-måde.

Noah Willman

Finale Doshi-Velez

Lektor i datalogi, Harvard

Forudsigelse for 2030: Mennesker og maskiner vil træffe beslutninger sammen

I mit laboratorium forsøger vi at besvare spørgsmål som Hvordan kan denne patient reagere på dette antidepressivum? eller Hvordan kan denne patient reagere på denne vasopressor? Så vi får så mange data, vi kan, fra hospitalet. For en psykiatrisk patient har vi måske alt om deres hjertesygdom, nyresygdom, kræft; for en anbefaling om blodtryksstyring til intensivafdelingen har vi alle deres iltoplysninger, deres laktat og mere.

Noget af det kan være relevant at komme med forudsigelser om deres sygdom, noget ikke, og vi ved ikke, hvad der er hvad. Derfor beder vi om det store datasæt med alt.

Der har været omkring et årtis arbejde med at prøve at få uovervågede maskinlæringsmodeller til at gøre et bedre stykke arbejde med at lave disse forudsigelser, og ingen fungerede rigtig godt. Gennembruddet for os var, da vi fandt ud af, at alle de tidligere tilgange til at gøre dette var forkerte på nøjagtig samme måde. Da vi havde løst alt dette, fandt vi på en anden metode.

Vi indså også, at selvom vores evne til at forudsige, hvilket stof der vil virke, ikke altid er så stor, kan vi mere pålideligt forudsige, hvilke stoffer der ikke vil virke, hvilket er næsten lige så værdifuldt.

Jeg er begejstret for at kombinere mennesker og AI for at lave forudsigelser. Lad os sige, at din AI har en fejlrate på 70 %, og dit menneske har også kun ret 70 % af tiden. Det er svært at kombinere de to, men hvis du kan sammensmelte deres succeser, så burde du være i stand til at gøre det bedre end begge systemer alene. Hvordan man gør det er et virkelig hårdt, spændende spørgsmål.

Alle disse forudsigelsesmodeller blev bygget og implementeret, og folk tænkte ikke nok over potentielle skævheder. Jeg håber, at vi får en fremtid, hvor disse menneske-maskine-teams træffer beslutninger, der er bedre end begge alene.

Guillaume Simoneau

Abdoulaye Banire Diallo

Professor, direktør for bioinformatiklaboratoriet, University of Quebec i Montreal

Forudsigelse for 2030: Maskinbaseret prognose vil blive reguleret

Når en landmand i Quebec beslutter sig for, om han vil inseminere en ko eller ej, kan det afhænge af forventningen om mælk, der vil blive produceret hver dag i et år, to år, måske tre år efter det. Gårdene har ledelsessystemer, der fanger bedriftens data og miljø. Jeg er involveret i projekter, der tilføjer et lag af genetiske og genomiske data for at hjælpe med prognoser — at hjælpe beslutningstagere som landmanden med at få et fuldt overblik, når de tænker på at udskifte køer, forbedre ledelsen, modstandskraften og dyrevelfærden.

Med fremkomsten af ​​maskinlæring og kunstig intelligens er det, vi viser, at vi kan hjælpe med at tackle problemer på en måde, som ikke er blevet gjort før. Vi tilpasser det til mejerisektoren, hvor vi har vist, at nogle beslutninger kan forudses 18 måneder i forvejen blot ved at forecaste baseret på integrationen af ​​disse genomiske data. Jeg tror, ​​at vi på nogle områder som f.eks. plantesundhed kun har opnået 10 % eller 20 % af vores kapacitet til at forbedre visse modeller.

Indtil nu har AI og machine learning været forbundet med domæneekspertise. Det er ikke en offentlig ting. Men mindre end 10 år fra nu skal de reguleres. Jeg tror, ​​der er mange udfordringer for forskere som mig at forsøge at gøre disse teknikker mere forklarlige, mere gennemsigtige og mere auditable.

skjule